决策树的究极进化之Bagging和Boosting

决策树基础参考： http://blog.youkuaiyun.com/leiting_imecas/article/details/52950663

本节介绍决策树的究极进化

1. Bagging(bootstrap Aggregation)

      bootstrap即拔靴带，帮助提靴的纽带，统计学上称为自住法； aggregating是指聚集. 机器学习的bagging方法指对多个学习器进行独立的学习、最后汇总的方法。

      算法流程：

       A）从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）

    B）每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）

    C）对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

    注：Bagging是一种方法，其中的单个模型不一定是决策树，可以是别的分类器。

2. boosting

     boosting是增强、强化的意思。boosting算法是指对多个学习器依次进行学习、逐渐增强效果的算法

   其主要思想是将弱分类器组装成一个强分类器。在PAC（概率近似正确）学习框架下，则一定可以将弱分类器组装成一个强分类器。